既然电影已经下映，下面也就无所顾忌地剧透了。说起复联里最令人印象深刻的场景，恐怕很多人都会想起上一部复联3中灭霸那毁天灭地、匪夷所思的著名响指：

对标GPT-4的更大参数规模的星火大模型正式启动训练，2024年上半年将实现对标GPT-4。

InterDigital副总裁兼无线实验室负责人Milind Kulkarni 本人在无线通信领域驻扎超过30年，亲历了从2G到5G的完整演进，举手投足间透着对技术的乐观且严谨，为我们揭示了6G背后真正值得深思的本质、挑战与终极愿景。

耐用品质实战之王，真抗摔真防水。

人类在计算方法、计算工具等领域的革新，都是应“那时那刻”的场景需求而生的。

布朗大学和哈佛大学研究团队开发出SAIL系统，让机器人能够像人类一样通过自我实践来学习新技能。该系统结合互联网规模的视频模型和环境特定知识，使机器人在面对未见过的任务时能够持续自我改进。实验证明，机器人的成功率能从24%提升至80%以上，且即使从失败经验中也能学习改进。

加州大学团队首次全面评估了五种主流AI行为控制技术，发现当前方法在提升AI安全性的同时会产生意想不到的副作用。研究通过SteeringControl框架测试发现，不同控制方法在不同AI模型上效果差异巨大，且普遍存在"行为纠缠"问题。该研究为AI安全控制技术的发展提供了重要诊断工具和改进方向。

这项由中国人民大学、百度和卡内基梅隆大学合作的研究开发出ReasonRank系统，通过创新的数据合成和两阶段训练方法，让AI具备了真正的推理能力进行文本排序。该系统在复杂推理任务中比现有最强系统高出3-5个百分点，同时运行速度提升2-2.7倍，为推理式信息检索开辟了新方向。

北京大学物理学院团队开发了首个专门评估AI大语言模型物理推理能力的基准测试PHYBench，包含500道原创物理题目。测试发现即使最先进的AI模型准确率也仅有36.9%，远低于人类专家的61.9%，揭示了AI在复杂物理推理中的显著局限性。

这项研究开发了首个轻量级物理推理评估框架，测试四种主流视觉语言模型在抛射运动、碰撞动力学、力学和流体动力学四个领域的表现。结果显示中等规模的Qwen2.5-VL-7B意外击败最大模型获得最高分0.815，揭示了当前AI模型更擅长公式应用而非真正物理理解的局限性。研究为科学推理评估提供了可复制的工具，并指出概念性错误是主要问题，为未来AI发展指明方向。

DMOSpeech 2是哥伦比亚大学与NewsBreak合作开发的突破性AI语音合成系统。该系统首次通过强化学习优化时长预测器，解决了现有系统中语音节奏控制不准确的关键问题。同时创新性地引入师生协作采样策略，在提升2倍计算效率的同时保持了语音输出的多样性，使合成语音更接近真人说话效果。

布朗大学与Adobe研究院联合推出MS4UI数据集，专门解决软件教学视频的智能总结问题。该研究收集了2413个Adobe软件教程视频，提出视频分割、文本总结、视频总结三大任务，为软件学习AI开辟新方向。实验显示现有方法表现不佳，凸显了专业领域AI的技术挑战。

这项由斯坦福大学等多所知名研究机构联合开展的研究，首次为农业人工智能建立了全面的评估标准AgroBench。该测试集涵盖疾病识别、害虫识别、杂草识别等七个农业核心任务，包含4342个专家标注的问答对，测试结果显示AI在农业管理建议方面表现出色，但在精确视觉识别任务上仍需改进，为农业AI的未来发展指明了方向。

香港大学团队开发的OmniPart系统实现了AI领域的重要突破，让计算机首次具备了像人类一样的"零件思维"。该系统能从单张2D图片生成具有清晰零件结构的3D模型，用户可通过简单的颜色遮罩控制分解过程。系统采用两阶段设计：先进行结构规划预测零件位置，再同步生成所有零件。实验显示其性能显著优于现有方法，生成效率提升20倍，为3D内容创作、游戏开发、虚拟现实等领域开辟了新的可能性。

阿里巴巴达摩院开发的PREL框架通过渐进式学习让AI具备类人推理能力，在复杂推理任务中性能提升超35%。该框架采用多层次架构和动态推理路径，解决了传统AI推理混乱、上下文丢失等问题，已在医疗诊断、金融评估等领域展现应用潜力。

阿里巴巴通义实验室推出WebShaper系统，通过创新的形式化驱动方法让AI具备人类级别的信息搜索推理能力。该系统在权威测试中取得优异成绩，WebShaper-72B模型在GAIA测试中获得60.19分，超越众多开源系统。其核心创新在于建立数学化的任务表示框架和智能扩展器，系统化生成高质量训练数据，有望显著改变未来的信息搜索体验。

近日，中国电子报总编辑胡春民与刘启航就云计算产业发展展开了深度对话。

为推动绿色碳交易跨越式发展，HPE与战略合作伙伴英特尔2023年10月26日在苏州举办了“跨国低碳·慧行至远”为主题的跨国企业绿色碳交易智慧转型研讨会。

在这个人机协作时代，人类的智慧和机器的能力将以前所未有的方式结合在一起，共同创造一个更加美好的世界。

新加坡国立大学研究团队开发了JudgeLRM，一个专门用于评判AI系统表现的模型。研究发现传统训练方法在需要复杂推理的评判任务上效果较差，因此采用强化学习训练JudgeLRM，使其具备真正的推理能力。JudgeLRM-3B甚至超越GPT-4，JudgeLRM-7B击败DeepSeek-R1，在推理密集型任务上表现尤为突出，为AI评估领域带来范式转变。